Point Cloud
**포인트 클라우드(point cloud)**는 3D 점들의 집합 , 이며, 색상, 표면 법선, 반사 강도(LiDAR)와 같은 점별 속성을 선택적으로 가질 수 있습니다. 이는 가장 단순하고 가장 보편적인 3D 지도 표현입니다: 연결 관계도 없고, 격자도 없이, 그저 환경 표면의 샘플들일 뿐입니다.
점들은 어디서 오는가
- 희소 포인트 클라우드: 삼각측량된 특징 지도점(ORB-SLAM 스타일)만 있는 경우입니다. 수천 개의 점, 매우 낮은 메모리를 가지며, 위치 추정에는 좋지만 밀집된 표면 기하 정보는 담고 있지 않습니다.
- 밀집 포인트 클라우드: 유효한 깊이 이미지 픽셀 모두를 3D로 역투영한 것입니다. 깊이 와 내부 파라미터 를 가진 픽셀 에 대해:
하나의 VGA 깊이 프레임은 약 30만 개의 점을 만들어내므로, 밀집 클라우드는 메모리를 많이 소모하며 공간 인덱싱(kd-tree 또는 복셀 해시 맵, PCL이나 Open3D에서처럼)이 필요합니다.
- LiDAR 스캔: 직접적인 거리 측정값을 직교 좌표 점으로 변환한 것으로, 보통 10~20Hz로 스윕합니다.
핵심 연산들
다운샘플링(복셀 그리드 필터). 공간을 변의 길이가 인 정육면체들로 분할하고, 정육면체 안의 모든 점을 그 중심점으로 대체합니다. 이는 밀도를 제한하고 중복을 제거하며, 이후 처리(ICP, 법선 추정)를 다룰 수 있게 만듭니다.
국소 PCA를 통한 법선 추정. 각 점에 대해 개의 최근접 이웃을 모아 국소 공분산을 구성합니다.
그리고 의 가장 작은 고유값에 대응하는 고유벡터를 표면 법선으로 취합니다(국소적으로 가장 적게 퍼져 있는 방향입니다). 고유값의 비율은 국소 평면성/곡률 척도도 제공하며, 이는 예컨대 LiDAR 오도메트리에서 에지 특징과 평면 특징을 선택하는 데 사용됩니다.
최근접 이웃 탐색. (ICP의 내부 루프인) 대응점 탐색은 빠른 NN 질의가 필요하며, kd-tree나 복셀 해싱이 이를 제공합니다.
정합(registration). 두 클라우드는 를 최소화하는 강체 변환 을 추정하여 정렬됩니다 — 대응점이 알려진 경우 교차 공분산 행렬의 SVD로 닫힌 형태로 풀리고, 그렇지 않은 경우 재매칭을 반복하며 풀립니다(ICP).
강점과 약점
- 강점: 점을 그냥 추가하기만 하면 되므로 자명하게 증분적이고, 센서에 구애받지 않으며, 정확한 샘플 위치가 보존되고, 변환하기 쉽습니다(점마다 를 적용).
- 약점: 명시적인 표면이나 자유 공간 정보가 없고(어떤 셀이 비어 있는지 직접 광선 추적으로 물을 수 없습니다), 시간이 지남에 따라 무한히 커지며, 재관측된 표면 위에 점이 중복되고, 내재된 잡음 융합이 없습니다 — 점유 격자나 TSDF 복셀 맵과 달리, 원시 포인트 클라우드는 반복된 측정값을 평균화하지 않습니다.
이것이 밀집 SLAM 시스템이 대개 포인트 클라우드를 입력/중간 표현으로 사용하고, 지속적인 모델을 위해 이를 복셀(TSDF/점유) 맵이나 서펠 맵으로 융합하는 이유입니다.
SLAM에서의 의미
- 특징 기반 SLAM의 희소 지도는 곧 포인트 클라우드이며, 추적은 이에 대해 PnP를 풉니다.
- RGB-D와 LiDAR 오도메트리는 자기 운동(ego-motion)을 추정하기 위해 연속된 포인트 클라우드를 정렬합니다(ICP 및 그 변형들).
- 밀집 매핑 파이프라인은 깊이 프레임을 포인트 클라우드로 변환한 후, 이를 TSDF나 점유 구조로 통합합니다.
- 지도 품질 검사(밀도, 커버리지, 퇴화된 동평면 기하)는 클라우드에 대해 수행됩니다. 동평면 클라우드는 초기화에서 퇴화된 구성입니다.